s/maschinelles-lernen/Maschinelles Lernen/gi
Der Datensatz umfasst die automatisiert aus Luftbildern (Aufnahmezeitpunkte 30. März und 01./02. Juni 2021) abgeleiteten, zweidimensionalen Baumkronenumringe ("Baumkronenpolygone") von rund 894.000 Bäumen im Stadtgebiet von Wuppertal, ausgeführt durch die EFTAS Fernerkundung Technologietransfer GmbH aus Münster im Rahmen der Forschungskooperation DigiTalZwilling4D innerhalb des Förderprojektes smart.wuppertal / DigiTal Zwilling mit dem in dieser Kooperation entwickelten Verfahren "twin4tree". Hierbei wurde das normalisierte Digitale Oberflächenmodell (nDOM) von Geobasis NRW (Jahrgang 2021) als Höhenmodell verwendet. Um keine Gebäude oder Bauwerke als Baum zu identifizieren, wurden für das Vegetationshöhenmodell nur Bereiche des nDOM innerhalb einer Baummaske berücksichtigt, die zuvor über eine Klassifikation der o. g. Luftbilder mit dem KI-Verfahren "Cop4ALL" erzeugt wurde. Die einzelnen Bäume wurden darin über ein Template-Matching-Verfahren identifiziert, bei dem variable 3D-Schablonen (sphärische und gaußförmige Form für Laubbäume, parabolische, hyperbolische und konische Form für Nadelbäume) über das Vegetationshöhenmodell gelegt werden. Den so gefundenen Baumstandorten wurden mittels einer Segmentierung des Vegetationshöhenmodells Baumkronen zugeordnet, deren senkrechte Projektion auf den Boden zweidimensionale Baumkronenpolygone ergab. Der Datensatz ist im GeoPackage-Format als Original und zur Reduzierung der Dateigröße als Variante mit generalisierten Baumkronenpolygonen unter der Open-Data-Lizenz CC BY 4.0 verfügbar. Wichtiger Hinweis: In dichten Baumbeständen ist die Identifikation einzelner Bäume aufgrund von zusammenwachsenden Baumkronen ("Kronenschluss") erschwert. Auch sogenannte "beherrscht stehende Individuen" unterhalb der aus der Luft sichtbaren Baumkronen lassen sich mit dem twin4tree-Verfahren nicht eindeutig erkennen. Daher unterschätzt das Verfahren die Anzahl von Bäumen in diesen Bereichen deutlich. Aus stichprobenhafte Zählungen in einigen Waldbereichen wurde ein durchschnittlicher Korrekturfaktor von 1,6 abgeleitet.
Das Produkt Landbedeckung (LB) der AdV (Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland) wurde nach dem Cop4ALL-DE Verfahren erzeugt und stellt eine flächendeckende und überschneidungsfreie Erfassung der Landbedeckung in Deutschland bereit. Die Daten werden durch eine kombinierte Analyse von Sentinel-2-Satellitenbildern, Orthophotos, ALKIS / ATKIS und einem normalisierten digitalen Oberflächenmodell (nDOM) erzeugt. Mithilfe künstlicher Intelligenz wird die Landbedeckung klassifiziert. Beginnend mit 2023 wird eine jährliche Ableitung zur Verfügung gestellt werden. Das Produkt Landbedeckung Deutschland steht momentan als WMS-Dienst und die einzelnen Bundesländer als Download zur Verfügung. Unterliegt der CC-BY-4.0
Der Datensatz umfasst die automatisiert aus Luftbildern (Aufnahmezeitpunkte 30. März und 01./02. Juni 2021) abgeleiteten, punktförmigen Stammpositionen von rund 894.000 Bäumen im Stadtgebiet von Wuppertal, ausgeführt durch die EFTAS Fernerkundung Technologietransfer GmbH aus Münster im Rahmen der Forschungskooperation DigiTalZwilling4D innerhalb des Förderprojektes smart.wuppertal / DigiTal Zwilling mit dem in dieser Kooperation entwickelten Verfahren "twin4tree". Hierbei wurde das normalisierte Digitale Oberflächenmodell (nDOM) von Geobasis NRW (Jahrgang 2021) als Höhenmodell verwendet. Um keine Gebäude oder Bauwerke als Baum zu identifizieren, wurden für das Vegetationshöhenmodell nur Bereiche des nDOM innerhalb einer Baummaske berücksichtigt, die zuvor über eine Klassifikation der o. g. Luftbilder mit dem KI-Verfahren "Cop4ALL" erzeugt wurde. Die einzelnen Bäume wurden darin über ein Template-Matching-Verfahren identifiziert, bei dem variable 3D-Schablonen (sphärische und gaußförmige Form für Laubbäume, parabolische, hyperbolische und konische Form für Nadelbäume) über das Vegetationshöhenmodell gelegt werden. Den so gefundenen Baumstandorten wurden mittels einer Segmentierung des Vegetationshöhenmodells Baumkronen zugeordnet, deren senkrechte Projektion auf den Boden zweidimensionale Baumkronenpolygone ergab. Die Stammposition eines Baumes wurde im geometrischen Schwerpunkt seines Baumkronenpolygons angenommen. Der Datensatz ist im GeoPackage-Format unter der Open-Data-Lizenz CC BY 4.0 verfügbar. Wichtige Hinweise: (1) In dichten Baumbeständen ist die Identifikation einzelner Bäume aufgrund von zusammenwachsenden Baumkronen ("Kronenschluss") erschwert. Auch sogenannte "beherrscht stehende Individuen" unterhalb der aus der Luft sichtbaren Baumkronen lassen sich mit dem twin4tree-Verfahren nicht eindeutig erkennen. Daher unterschätzt das Verfahren die Anzahl von Bäumen in diesen Bereichen deutlich. Aus stichprobenhafte Zählungen in einigen Waldbereichen wurde ein durchschnittlicher Korrekturfaktor von 1,6 abgeleitet. (2) Die genauen Stammpositionen können aus optischen Fernerkundungsdaten nicht bestimmt werden. Die als Stammpositionen angegebenen Schwerpunkte der Baumkronenpolygone sind Näherungswerte.
The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2016 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 100,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final product was created by majority-voting on annual XGBoost Sentinel-2 tree species classifications (2016–2024) and filtering with forest structure data. If no clear majority vote was achieved, the class uncertain was assigned. The Tree Species Germany 2016 product achieves an overall F1-score of 0.95. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.92 to 0.99, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, fir, and other deciduous species range from 0.85 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.
The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2022 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data, radar data from Sentinel-1, and a digital elevation model. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 80,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final classification was generated using an XGBoost machine learning algorithm. The Tree Species Germany product achieves an overall F1-score of 0.89. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.76 to 0.98, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, and fir range from 0.88 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.
Der Einsatz künstlicher Intelligenz (KI) hat sich bei der Analyse großer Mengen an Fotofallenbildern als fester Bestandteil in der Wildtierforschung etabliert. Dennoch existieren zum jetzigen Zeitpunkt unserer Kenntnis nach keine Untersuchungen, die für die Analyse von Fotofallendaten in mitteleuropäischen Regionen neben der Güte der Algorithmen auch die Benutzerfreundlichkeit betrachten. Vor diesem Hintergrund untersucht die vorliegende Studie die Effektivität, Effizienz und Anwendbarkeit des KI-Algorithmus DeepFaune> (DF) in der Auswertung von Fotofallenbildern im Vergleich zu menschlichen Bearbeiterinnen und Bearbeitern. Dafür wurden 1.013 Fotofallenbilder von drei Standorten in Deutschland manuell von fünf kundigen Personen sowie durch DF klassifiziert. Zuvor wurden 20 Klassen von Tierarten, Tierartengruppen, weiteren Objekten sowie die Klassen "Nicht erkennbar" und "Leer" festgelegt. Anschließend wurde ein korrekter Datensatz erstellt, der als Referenz für die Bewertung der Güte der menschlichen und der durch den Algorithmus generierten Analyseergebnisse diente. Die menschliche Vergleichsgruppe erreichte im Mittel eine korrekte Klassifikation von 91,9% der Bilder, während DF 72,85% der Bilder richtig klassifizierte. Im Durchschnitt brauchten die Personen 5,75h und DF 15min für die Klassifikation des Datensatzes. Die Genauigkeit ist momentan für seltene Arten in vielen Fällen noch gering, wird aber durch die schnelle Weiterentwicklung der KI-Technologie in Zukunft zunehmen. Algorithmen wie DF bieten daher ein hohes Potenzial für eine automatisierte Auswertung großer Mengen von Fotofallenbildern.
Mit der Abwasserbehandlung auf Kläranlagen gehen eine Vielzahl von chemischen und biologischen Prozessen simultan einher. Diese sich gegenseitig beeinflussenden Prozesse, deren Auswirkungen, wenn sich bestimmte Parameter im Prozess ändern und wie Veränderungen vorhergesagt werden können, stellt die Betreiber der Anlagen zum Teil vor große Herausforderungen. Die meisten Einflüsse auf den Prozess bei sich ändernden Umständen sind bereits bekannt, lassen sich aber nur mit großem Aufwand darstellen. Im laufenden Betrieb fällt eine große Anzahl an Messparametern mit entsprechenden Daten an, die zentral abgespeichert werden. Hierbei handelt es sich zum einen um fest eingestellte Betriebswerte, zum anderen aber auch um Daten zu Verbräuchen und sich in Abhängigkeit der Prozesse ergebende Daten. Diese Daten stehen dabei meistens direkt bzw. indirekt in Beziehung zueinander. Bedingt durch die sehr großen Mengen an Daten war es bisher nur sehr schwer möglich, alle anfallenden Messwerte hinsichtlich eines Zielparameters auszuwerten. Eine Möglichkeit zur Analyse, die in den letzten Jahren mehr Beachtung gewinnt, besteht über die Nutzung von künstliche Intelligenz (KI), die durch tausende Rechenoperationen pro Sekunde Muster aufdecken kann. Über die Auswertung historischer Daten kann mit Nutzung der KI ein mathematischer Zusammenhang hergestellt werden. Dieser Zusammenhang soll für die Erstellung zukünftiger Prognosemodelle verwendet werden. Das zum Einsatz kommende Prognosemodell beruht dabei auf einem Digitalen Zwilling der Kläranlage, welcher, verbunden über die Sensoren der Kläranlage, diese virtuell abbildet und in Echtzeit mit seinem wirklichen Vorbild vernetzt ist. Diesem Vorgehen liegt der pragmatische Annahme zugrunde, dass der genaue Einfluss eines bestimmten Parameters zunächst nicht bekannt sein muss, sofern er mathematisch beschrieben werden kann. Das erstellte Modell kann dann beliebig auf Zielparameter eingestellt werden. Im Zuge des Forschungsvorhabens soll dieser Ansatz für die Anwendbarkeit einer möglichen Prognose der Absetzbarkeit des Belebtschlamms vorgenommen werden, explizit der Schlammindexvorhersage (ISV) im Belebtschlammverfahren.
Das Projekt wird unter anderem durch den stetig steigenden Kostendruck aufgrund der Anreizregulierung und die zunehmende Verknappung von materiellen sowie personellen Ressourcen, insbesondere im Zuge des Fachkräftemangels, motiviert. Deshalb muss der Einsatz der vorhandenen Ressourcen für Netzerneuerung, -ausbau und -instandhaltung möglichst effizient gestaltet werden. Gleichzeitig gewinnt im durch die Energiewende eingesetzten Transformationsprozess der Energielandschaft die Digitalisierung zunehmend an Bedeutung - wie auch aus dem gleichnamigen Gesetz zur Digitalisierung der Energiewende hervorgeht. Dabei besteht großes Potenzial, die in den letzten Jahren stetig verbesserten Fähigkeiten der Künstlichen Intelligenz (KI) im Kontext der Energiewende zu nutzen. Bisher ist der Einsatz von Methoden aus dem Bereich der KI und maschinellem Lernen auf der Ebene des Asset Managements für die weitere Optimierung von Instandhaltungs- sowie Erneuerungsstrategien jedoch, mit Ausnahme des Forschungsprojektes 'Predictive Asset Management' (PAM), wenig erforscht. Daher soll das Forschungsprojekt hier ansetzen und Methoden der KI umfassend auf die Ebene des Asset Managements für Betriebsmittel der gesamten Mittelspannungsebene übertragen. Im Zuge des Forschungsprojektes sollen gemeinsam mit der BUW zentrale normative Kennzahlen erarbeitet werden, welche als Grundlage für das Trainingsmodell der KI dienen sollen. Durch die Implementierung vorausschauender Wartungsstrategien für Assets wird eine erhöhte Planungssicherheit erwartet. Darüber hinaus sollen erhebliche Potenziale im Bereich der nachhaltigen Netzwirtschaft erschlossen werden. Die proaktive Wartung von Assets trägt zur Reduzierung der Treibhausgasemissionen, der Netzverluste und des Eigenverbrauchs der Liegenschaften bei. Diese Maßnahmen dienen als Indikatoren, sowohl für den Klimaschutz der Organisation als auch für das Ziel der Klimaneutralität bis 2045.
Zielsetzung: Das Vorhaben hat das Ziel, ein innovatives, dezentrales IoT-System zu entwickeln, das die Bewässerung und Agrarprozesse im Weinbau sowie in anderen landwirtschaftlichen Betrieben revolutionieren soll. Mithilfe hochmoderner Sensorik und Künstlicher Intelligenz (KI) soll der Trockenstress von Pflanzen in Echtzeit überwacht werden , um datenbasierte, intelligente Bewässerungsentscheidungen zu treffen. Dadurch soll der Wasserverbrauch signifikant reduziert werden - Schätzungen zufolge um bis zu 30 %, was Millionen von Litern Wasser jährlich entspricht. Dies trägt nicht nur zur Schonung wertvoller Süßwasserressourcen bei, sondern schützt auch die Grundwasserqualität und unterstützt die nachhaltige Nutzung von Ressourcen. Der Anlass für das Projekt liegt in den zunehmenden Herausforderungen, vor denen die Landwirtschaft angesichts des Klimawandels steht. Längere Trockenperioden, steigende Temperaturen und die globale Wasserknappheit setzen traditionelle Bewässerungsmethoden unter Druck, die oft ineffizient und verschwenderisch sind. Laut dem Weltwasserbericht der Vereinten Nationen von 2021 werden etwa 69 % des weltweit verfügbaren Süßwassers in der Landwirtschaft genutzt, wobei ineffiziente Praktiken wie Großflächenberegnung erhebliche Verluste verursachen. Besonders in Weinbauregionen führt die übermäßige Nutzung von Wasser zu ökologischen und wirtschaftlichen Problemen. Das Vorhaben möchte diese Problematik adressieren, indem es innovative Technologien einsetzt, die den Wasserverbrauch optimieren und die landwirtschaftliche Produktivität erhöhen. Darüber hinaus verfolgt das Projekt einen umfassenden Ansatz: Neben der Entwicklung und Erprobung von Sensorik und Hardware wird eine KI-basierte Bewässerungssteuerung entwickelt , die in realen landwirtschaftlichen Betrieben getestet wird. Das IoT-System ermöglicht eine präzise und ressourcenschonende Bewässerung in der Landwirtschaft. Dazu werden Sensoren zur Messung von Bodenfeuchtigkeit, Temperatur, Luftfeuchtigkeit und Pflanzenzustand in einer Pilotanlage installiert. Die erfassten Daten werden über eine drahtlose Infrastruktur in eine Cloud übertragen, wo sie verarbeitet und analysiert werden. Eine KI wertet die Daten aus, erkennt Zusammenhänge zwischen den Messwerten und dem Trockenstress der Pflanzen und steuert die Bewässerung automatisch.
Zu Beginn des Projekts werden Referenz-Modelle entwickelt die die Grundlage für die vergleichende Gegenüberstellung der entwickelten Lösungsansätze für die Modellierung und Prognose der vertikalen Netzlast darstellen. Die Bewertung des Betriebs in den Netzebenen erfolgt durch das DLR. Die realen Ausgangsdaten werden unter Berücksichtigung der Unsicherheitsbewertung und -propagation in die Zustandsbewertung des Netzes einbezogen. Die Arbeiten liegen hauptsächlich in der Modellierung und Simulation zur Vorhersage von Engpässen in vorgelagerten Netzen (110 kV). Dabei wird untersucht, welche Auswirkungen die EE-Einspeisung im gesamten Netzgebiet auf die VNL-Prognose haben könnten. In einer Fallstudie, basierend auf einem Ausschnitt eines realen Netzgebiets soll die verbesserte Methodik zur Engpassprognose demonstriert werden. Weiterhin werden meteorologischen Daten aufgearbeitet, die Ergebnisse aus den Simulationen als auch Anpassungen der Methodik bearbeitet und für die Verwendung in der VNL Prognose analysiert. Es soll ein Monitoringsystem zur VNL-Prognose in sich ändernden Wetterlagen entwickelt werden. Dazu werden noch weiter zu entwickelnde, kamerabasierte Methoden mit dem Einsatz von Satellitenbild-gestützten Verfahren mit herkömmlichen Prognosen (basierend auf Wettermodellen) verglichen. Der Vergleich fokussiert dabei die anfänglich als für den Redispatch relevant identifizierten Wettersituationen. Für die Bewertung des technischen und ökonomischen Nutzens der neuen Prognosen werden geeignete Metriken definiert.
| Organisation | Count |
|---|---|
| Bund | 1701 |
| Europa | 13 |
| Global | 1 |
| Kommune | 18 |
| Land | 96 |
| Schutzgebiete | 1 |
| Weitere | 92 |
| Wirtschaft | 11 |
| Wissenschaft | 543 |
| Zivilgesellschaft | 25 |
| Type | Count |
|---|---|
| Agrarwirtschaft | 1 |
| Daten und Messstellen | 2 |
| Ereignis | 5 |
| Förderprogramm | 1597 |
| Text | 153 |
| Umweltprüfung | 1 |
| unbekannt | 107 |
| License | Count |
|---|---|
| Geschlossen | 210 |
| Offen | 1648 |
| Unbekannt | 8 |
| Language | Count |
|---|---|
| Deutsch | 1803 |
| Englisch | 345 |
| Resource type | Count |
|---|---|
| Archiv | 6 |
| Bild | 8 |
| Datei | 10 |
| Dokument | 68 |
| Keine | 1533 |
| Unbekannt | 1 |
| Webdienst | 7 |
| Webseite | 280 |
| Topic | Count |
|---|---|
| Boden | 912 |
| Lebewesen und Lebensräume | 1153 |
| Luft | 754 |
| Mensch und Umwelt | 1866 |
| Wasser | 560 |
| Weitere | 1709 |